Wikipédia renforce la lutte contre les articles générés par l’intelligence artificielle

EElias

Alors, le repérage a commencé avant cette interdiction : WikiProject AI Cleanup, un projet de bénévoles lancé en 2023, cherche à identifier et à retirer les contenus générés par l’intelligence artificielle qui ne respectent pas les règles de l’encyclopédie, d’après IEEE Spectrum. Au début, certains articles étaient repérés grâce à des tournures très caractéristiques et à des structures inhabituelles pour Wikipédia ; ces indices étaient alors plus faciles à remarquer. Mais les signes ont évolué, et les bénévoles cherchent désormais des motifs de rédaction plus subtils, explique Ellia Lebleu, membre du projet. Ils observent notamment des structures de langage récurrentes, sans considérer qu’une formule isolée prouve qu’un texte a été généré. Ils prennent aussi en compte le rythme de publication : la parution de plusieurs articles très longs en quelques minutes peut susciter des soupçons. Là encore, c’est un indice, pas une conclusion automatique sur l’origine du texte. Le projet poursuit donc une tâche de repérage, tandis que la règle adoptée par la communauté précise ce qui est interdit pour la rédaction des articles. Ces deux démarches ne se confondent pas : l’une consiste à examiner des contributions, l’autre à fixer une règle de rédaction. Et quand un article est signalé, il reste nécessaire de regarder ce qu’il affirme et les références qu’il donne. C’est là que la difficulté dépasse la seule reconnaissance d’un style : les bénévoles doivent aussi vérifier si les sources soutiennent réellement le contenu.

EElias

Ils ne peuvent pas s’appuyer sur un seul signe pour trancher. Une structure de langage répétée, ou une cadence de publication inhabituelle, peut attirer l’attention, mais ces éléments sont examinés ensemble et ne constituent pas à eux seuls une preuve. Le contrôle des références est particulièrement important, parce qu’un système peut citer une source qui existe réellement tout en lui attribuant un contenu qu’elle ne soutient pas. D’après Ellia Lebleu, les références entièrement inventées seraient devenues moins fréquentes avec la génération augmentée par récupération, une méthode qui permet au modèle de rechercher des sources, mais les citations réelles utilisées à contresens restent un problème important. En clair, retrouver un document ne suffit pas : il faut vérifier ce que le document dit et si cela correspond à l’affirmation de l’article. Cette vérification porte donc sur le lien entre une référence et le passage qu’elle accompagne, en plus des indices liés à la rédaction. Les signaux peuvent aider à choisir quelles pages examiner, mais ils ne disent pas automatiquement si une affirmation est fiable. Ils ne suffisent pas non plus à déterminer, à eux seuls, qui a écrit le texte. Le travail des bénévoles consiste à examiner les contributions au regard des règles de l’encyclopédie, sans confondre soupçon sur l’origine d’un passage et vérification de son contenu. C’est une distinction essentielle : un texte peut présenter un indice de génération et nécessiter une vérification, tandis qu’une référence qui ne soutient pas une affirmation pose un problème de fiabilité qu’il faut examiner en tant que tel.

EElias

Un test mené par Ellia Lebleu avec l’outil Pangram a signalé environ 20 % des nouveaux articles et brouillons comme générés par l’intelligence artificielle à la fin de 2025, puis 15 à 16 % au début de 2026, selon IEEE Spectrum. Lebleu présente ces résultats comme une estimation basse et prudente : ils correspondent à ce que le test a signalé, et non à un décompte confirmé de toutes les contributions générées. À côté de cette mesure, un éditeur de WikiProject AI Cleanup a conçu un vérificateur de sources assisté par intelligence artificielle, d’après Brief IA. Cet outil compare les références citées aux affirmations des pages, afin de repérer à grande échelle les cas qui paraissent évidents, mais ses résultats ne sont pas garantis exacts. La Wikimedia Foundation prépare aussi Paste Check, un outil destiné à repérer des textes copiés depuis certains chatbots. Ces dispositifs ont donc des fonctions différentes : l’un examine le rapport entre une référence et une affirmation, tandis que l’autre vise des textes copiés depuis certains systèmes. Ils peuvent signaler des éléments à vérifier, mais rien ne permet de les présenter comme des arbitres infaillibles. Le chiffre de Pangram et les vérificateurs ne mesurent pas la même chose non plus : le premier porte sur des articles et des brouillons signalés, tandis que les autres outils cherchent des incohérences ou des textes copiés. L’efficacité réelle de ces mesures reste à établir. Il faut donc lire ces chiffres comme des résultats de test et ces outils comme des aides au repérage, sans leur faire dire davantage que ce qui a été évalué.

EElias

La règle qui interdit de rédiger des articles avec des modèles de langage est davantage mise en avant dans les messages de bienvenue, les pages d’aide à l’édition et les conseils aux contributeurs, d’après Brief IA. La raison avancée est qu’une grande partie des contenus générés serait attribuable à des éditeurs débutants. Ces rappels rendent donc l’interdiction plus visible dans les espaces où les nouveaux contributeurs trouvent des indications pour participer. Ils ne permettent pas pour autant de conclure que chaque personne qui débute connaît déjà la règle, ni que les rappels suffisent à empêcher les contributions interdites. Pour les chiffres, la proportion signalée par Pangram est passée d’environ 20 % à la fin de 2025 à 15 ou 16 % au début de 2026. Mais la cause de cette baisse n’est pas établie. Elle pourrait être liée aux politiques récentes de Wikipédia, ou à l’amélioration des modèles, qui rendrait la détection moins efficace. Ces explications restent des possibilités, pas des résultats confirmés. Il serait donc prématuré d’affirmer que l’interdiction a fait baisser les apports générés, ou que le changement observé prouve que les modèles sont devenus plus difficiles à détecter. Le test donne une indication sur les contenus qu’il a signalés ; il ne fournit pas, à lui seul, l’explication de leur évolution. C’est pourquoi les règles, les rappels aux contributeurs et les chiffres de détection doivent être considérés séparément, en attendant de pouvoir établir l’efficacité des mesures et l’évolution réelle des apports automatisés.

EElias

Bon, le premier point est que Wikipédia a maintenant une règle contre la rédaction d’articles par des modèles de langage, tandis que les bénévoles continuent à examiner les contributions qui pourraient enfreindre les règles de l’encyclopédie. Le deuxième, c’est que le repérage ne repose pas sur un détecteur unique : les bénévoles regardent des structures de langage, le rythme de publication et la fiabilité des références. Une citation peut renvoyer à une source réelle sans que celle-ci soutienne l’affirmation de l’article, ce qui oblige à vérifier le contenu de la référence elle-même. Les nouveaux outils ciblent des tâches précises : un vérificateur compare les références aux affirmations, et Paste Check doit repérer des textes copiés depuis certains chatbots. Leur efficacité reste à établir, et le vérificateur ne garantit pas toujours des résultats exacts. Enfin, le test de Pangram a signalé une part plus faible des nouveaux articles et brouillons au début de 2026 qu’à la fin de 2025, mais la raison de cette baisse demeure inconnue. On ne peut donc pas transformer ce chiffre en preuve d’une diminution certaine des apports automatisés, ni en preuve que l’interdiction a produit cet effet. Pour les lecteurs, l’enjeu concret décrit ici est la relation entre les affirmations d’un article et les sources citées. Pour les bénévoles, il s’agit de repérer les contributions à examiner, puis de contrôler les éléments disponibles, sans prendre une alerte pour une conclusion. Les règles, les outils et les estimations apportent des réponses différentes à ce problème. L’évolution réelle des apports automatisés et l’efficacité des mesures restent à établir.